受约束线性模型中的可容许线性估计

本文在受齐次线性约束与二次约束线性模型中得到了回归系数线性估计在线性估计类中可容许的充要条件，它推广了文［３］～［７］等一系列结果。     

不等式约束下多元线性模型中线性估计的可容许性

研究多元线性模型在不等式约束下齐次线性估计和非齐次线性估计的可容许性, 刻画了二者之间的关系, 得到了齐次线性估计(非齐次线性估计)在齐次线性估计类(非齐次线性估计类)中是可容许的充要条件.     

多元线性模型回最系数的所有可容许线性估计

讨论了多元线性模型中,线性估计ＡＹ＋α在一切估计类中是线性可估函数ＳＢ的Ａ－可容许性估计、Ｅ－可容许性估计及Ｇ－可容许性估计的主要条件。     

均值矩阵的线性估计在广义线性估计类中的可容许性

对于多元线性模型Y～(XΘ,σ2Σ(s)V),本文在最大特征值作为矩阵大小的比较标准下,讨论了XΘ的函数SXΘ的线性估计AY在齐次线性估计类中可容许与AY在齐次广义线性估计类中可容许的关系,还讨论了AY+D在广义线性估计类中可容许与AY在齐次广义线性估计类中可容许的关系.     

回归系数可容许线性估计的一点讨论

在平方损失函数和一特殊线性模型下，得到了一维不可估参数函数的线性估计为可容许估计的充要条件，以及模型中参数向量的线性估计为可溶许估计的充要条件。     

矩阵损失下贝叶斯线性无偏估计及其稳健性

证明了,在一般线性模型中,未知参数在二次损失下的贝叶斯线性无偏估计也是矩阵损失下的贝叶斯线性无偏估计.讨论了贝叶斯线性无偏估计关于误差分布的稳健性,给出了未知参数的贝叶斯线性无偏估计是最优估计的充分必要条件.     

广义线性模型线性约束下参数估计的一个最优性

本文研究广义线性模型在齐次线性约束条件下的参数估计,给出了条件可估函数c‘β在条件Lβ=0下的最佳线性无偏估计c‘(β^)GL,然后从一个新的角度刻划了估计c‘(β^)GL的最优性,即c‘(β^)GL落在以被估参数c‘β为中心的任意一个球内的概率不小于任一个满足Lβ=0的线性无偏估计落在此球内的概率.     

平衡损失下带约束的回归系数的线性容许估计

文章在推广的矩阵形式的平衡损失函数下,利用矩阵的向量化方法,研究了带线性约束的多元线性模型中回归系数的线性可容许估计;并在齐次线性估计类和非齐次线性估计类中,分别得到了齐次线性估计和非齐次线性估计是可容许估计的充分和必要条件,推广了有关文献的结果。     

一般线性模型中共同均值线性估计的可容许性

对于协方差阵半正定的一般线性模型中共同均值的线性（包括齐线性与非齐线性）估计的可容许性问题进行了研究。给出了共同均值的线性组合Ｓβ的线性估计分别在二次损失和矩阵损失下可容许的充要条件，从而推广了胡飞芳（１９９１年）的结果。     

似乎不相关线性模型线性约束下参数估计的一个最优性

本文讨论似乎不相关线性模型在齐次线性约束条件下的参数估计，给出了条件可估函数c＇β在条件lβ=0下的最佳线性无偏估计c＇βl，然后从一个新的角度刻划了估计c＇βl的一个最优性，即c＇βl落在以被估参数c＇β为中心的任意一个球内的概率不小于任一个满足Lβ=0的线性无偏估计落在此球内的概率。     

一元总体最小二乘线性回归与解算分析

针对自变量为随机变量情形,在最小二乘准则下,一元线性回归所得到的回归参数估计及其拟合直线存在二义性问题,为确保解算结果的唯一性和一致性,需用总体最小二乘准则进行解算,对总体最小二乘准则进行了描述,利用奇异值分解方法,讨论了解算公式,最后用一数字算例,用最小二乘和总体最小二乘方法进行了计算和结果分析,得到了一些结论,此方...     

线性回归的总体最小二乘非线性解算

针对线性回归中,存在自变量为随机变量的情形,应考虑双变量的线性回归,要求在总体最小二乘准则下求解。主要讨论了总体最小二乘解算的准则描述,如何考虑不等精度变量的转换和总体最小二乘的非线性解算,得到了相应的解算公式,最后并以算例加以验证与分析讨论,此方法对于工程实践的数据分析具有较大的参考价值。     

解线性最小二乘问题的正交化方法及应用

文章讲述在求解线性最小二乘问题时系数矩阵出现病态时,应用Househo lder变换把系数矩阵正交三角化,从而求出最小二乘解,以及在实际中的应用.     

带线性约束的新两参数估计

针对带约束的最小二乘估计在参数估计中处理复共线性的不足,引入随机线性约束,提出了约束新两参数估计.并且得到在均方误差下,约束新两参数估计与约束最小二乘估计,约束岭估计和约束Liu估计相比的优良性.     

线性回归模型中的加权最小二乘估计

给出了线性回归模型中的加权最小二乘估计以及最优权数的选择.     

双重线性模型的参数估计

用推广的最小二乘法及极大似然估计法对双重线性模型 AR( 1) - MA( 0) 中的参数进行估计,从而提高模型的拟合度和预测精度.     

线性回归模型中的渐近最优性

对线性回归中系数的一类估计给出了理论上的最优均方误差.证明了渐近意义下最小二乘估计和lasso估计均不具有最优均方误差性.最后给出了一个具有渐近最小均方误差的回归估计.     

线性回归模型中K-d型估计研究

考虑线性回归模型Y=Xβ＋ε,E（ε）=0,Cov（ε）=σ2 I,当设计矩阵X的列存在共线性时,最小二乘估计β=（X′X）-1 X′Y的性质变坏,为此给出了有偏估计β（K,d）=（X′X＋K）-1（X′Y＋dβ）,其中K〉0为对角矩阵,ki〉0,-∞〈d〈∞为参数,讨论了这种有偏估计对Liu估计、最小二乘估计的优越性,并证明了其可容许性估计。     

采用最小二乘支持向量机的部分相依函数型线性模型估计与应用

提出一种基于无截断Bartlett核函数的重构方法,有效避免长期方差函数估计方法面临的核函数与窗宽选择问题,并将其应用到部分相依函数型线性模型中.利用考虑函数型数据相依性的最小二乘支持向量机对模型进行参数估计,数值模拟结果表明:与未考虑函数型数据相依特征的最小二乘估计方法相比,提出的考虑函数型数据相依性的最小二乘支持向量机估计方法能更稳健地估计向量系数,有效提高样本外的预测精度;将部分相依函数型线性模型应用到上证指数开盘价的预测中,得到较好的预测效果.     

部分线性模型中非参数估计的强相合性

考虑部分线性模型:y_i=x_iβ+g(t_i)+σ_ie_i,1≤i≤n,其中σ_i~2=f(u_i),(x_i,t_i,u_i)是固定非随机设计点列,f(·)和 g(·)是未知函数,β是待估参数,e_i 是随机误差。我们研究了基于β的最小二乘估计β_n 和加权最小二乘估计_n 的非参数 g(·)的估计,并证明了他们的强相合性。